論文の概要: Auto-differentiable data assimilation: Co-learning of states, dynamics, and filtering algorithms

• arxiv url: http://arxiv.org/abs/2603.20891v1
• Date: Sat, 21 Mar 2026 17:40:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.136107
• Title: Auto-differentiable data assimilation: Co-learning of states, dynamics, and filtering algorithms
• Title（参考訳）: 自己微分可能データ同化:状態、ダイナミクス、フィルタリングアルゴリズムの共学習
• Authors: Melissa Adrian, Daniel Sanz-Alonso, Rebecca Willett,
• Abstract要約: 本稿では,データ同化におけるフィルタリングアルゴリズムの状態,ダイナミクス,パラメータを共同学習するためのフレームワークを提案する。 我々は、このフレームワークの中で、よく知られたデータ同化法がいかに学習され、調整されるかを実証する。
• 参考スコア（独自算出の注目度）: 10.144640509287187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data assimilation algorithms estimate the state of a dynamical system from partial observations, where the successful performance of these algorithms hinges on costly parameter tuning and on employing an accurate model for the dynamics. This paper introduces a framework for jointly learning the state, dynamics, and parameters of filtering algorithms in data assimilation through a process we refer to as auto-differentiable filtering. The framework leverages a theoretically motivated loss function that enables learning from partial, noisy observations via gradient-based optimization using auto-differentiation. We further demonstrate how several well-known data assimilation methods can be learned or tuned within this framework. To underscore the versatility of auto-differentiable filtering, we perform experiments on dynamical systems spanning multiple scientific domains, such as the Clohessy-Wiltshire equations from aerospace engineering, the Lorenz-96 system from atmospheric science, and the generalized Lotka-Volterra equations from systems biology. Finally, we provide guidelines for practitioners to customize our framework according to their observation model, accuracy requirements, and computational budget.
• Abstract（参考訳）: データ同化アルゴリズムは、部分的な観測から力学系の状態を推定し、これらのアルゴリズムの成功性能は、コストのかかるパラメータチューニングと、ダイナミクスの正確なモデルの使用にかかっている。 本稿では,データ同化におけるフィルタリングアルゴリズムの状態,ダイナミクス,パラメータを,自動微分可能なフィルタリングと呼ぶプロセスを通じて共同で学習するフレームワークを提案する。 このフレームワークは理論上動機付けられた損失関数を利用しており、自動微分を用いた勾配に基づく最適化を通じて部分的、ノイズの多い観測から学習することができる。 さらに、このフレームワークでよく知られたデータ同化手法の学習やチューニングが可能であることを実証する。 自動微分可能なフィルタリングの汎用性を明らかにするため、航空宇宙工学のクロヘッシー・ウィルトシャー方程式、大気科学のロレンツ-96方程式、システム生物学の一般化ロトカ-ボルテラ方程式など、複数の科学領域にまたがる力学系の実験を行った。 最後に,その観察モデル,精度要件,計算予算に応じて,実践者がフレームワークをカスタマイズするためのガイドラインを提供する。

関連論文リスト

• Denoising Particle Filters: Learning State Estimation with Single-Step Objectives [2.320417845168326]
  本研究では,個々の状態遷移からモデルを訓練する新しい粒子フィルタリングアルゴリズムを提案する。 シミュレーションにおけるロボット状態推定タスクの課題に対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T09:53:23Z)
• Dynamical system reconstruction from partial observations using stochastic dynamics [0.0]
  観測データに基づく力学系の学習モデルは、多くの科学分野において興味深い。 本稿では,動的システムのための変分オートエンコーダの枠組みに基づく新しい手法を提案する。 本研究では,6つのテスト問題に対する提案手法の性能を実証し,シミュレーションおよび実験データについて述べる。
  論文  参考訳（メタデータ） (2025-10-01T16:36:18Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
  本稿では, 音素の効率的な微分可能シミュレーション法を提案する。 これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。 提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
  論文  参考訳（メタデータ） (2021-09-16T04:48:13Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Online learning of both state and dynamics using ensemble Kalman filters [0.0]
  本稿では,オンライン上での動的および状態の双方,すなわち推定値を常に更新する可能性について検討する。 我々は,(i)グローバルなEnKF,(i)ローカルなEnKF,(iii)反復的なEnKFを通じて,オンラインのダイナミクスを学習することの意味を考察する。 次に,1次元,1スケール,2スケールのカオスロレンツモデルを用いて,これらの手法の有効性を数値的に検証し,精度を評価する。
  論文  参考訳（メタデータ） (2020-06-06T13:19:26Z)
• Automatic Differentiation and Continuous Sensitivity Analysis of Rigid Body Dynamics [15.565726546970678]
  剛体力学のための微分可能な物理シミュレータを提案する。 軌道最適化の文脈では、閉ループモデル予測制御アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-01-22T03:54:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。